Den Wald im Baumbestand finden: Einsatz von maschinellem Lernen und Online‑kognitiven sowie wahrnehmungsbezogenen Messungen zur Vorhersage einer Autismus‑Diagnose im Erwachsenenalter

Warum das Erkennen von Autismus bei Erwachsenen so schwierig ist

Viele autistische Erwachsene warten Jahre, mitunter Jahrzehnte, bis sie eine Diagnose erhalten — zum Teil, weil die Instrumente zur Identifikation von Autismus bei Erwachsenen eher grobe Werkzeuge sind. Kurze Fragebögen und Interviews können Menschen übersehen, die gelernt haben, sich sozial anzupassen, und sie sind anfällig für Verzerrungen und Schätzungen. Diese Studie prüft, ob ein anderer Ansatz — objektive, Online‑Tests von Denken und Wahrnehmung kombiniert mit modernen Methoden des maschinellen Lernens — besser anzeigen kann, wer wahrscheinlich autistisch ist, und ob sich dies in großem Maßstab über das Internet bereitstellen lässt.

Von einfachen Quizzen zu reichhaltigen digitalen Spurendaten

Die traditionelle Autismus‑Screening bei Erwachsenen stützt sich stark auf Selbstauskünfte, die nach Gewohnheiten, Präferenzen und sozialen Erfahrungen fragen. Diese können nützlich sein, hängen aber auch von der Einsicht einer Person in ihr eigenes Verhalten und von kulturellen Erwartungen ab. Die Autorinnen und Autoren dieses Papiers wählten einen anderen Weg. Sie nutzten Daten aus früheren Online‑Experimenten, in denen Hunderte autistischer und nicht‑autistischer niederländischer Erwachsener eine Batterie von Computeraufgaben durchführten. Diese Aufgaben erfassten drei Bereiche, die bei Autismus oft abweichen: die Integration von Sehen und Hören, die Erkennung von Emotionen aus Gesichtern und Stimmen sowie das Planen, Wechseln und Hemmen von Handlungen — ein Bündel, das als exekutive Funktionen bekannt ist.

Messen, wie Menschen sehen, fühlen und denken

Über die Studien hinweg sahen und hörten die Teilnehmenden kurze Clips, erkannten Emotionen anhand von Gesichtsfotos oder Stimmklang und absolvierten klassische Reaktionszeit‑Aufgaben, die schnelle Antworten oder kontrollierte Zurückhaltung erfordern. Anstatt sich nur darauf zu konzentrieren, ob Antworten richtig oder falsch waren, extrahierten die Forschenden 54 detaillierte Maße, die beschreiben, wie jede Person abgeschnitten hat. Dazu gehörten Reaktionsgeschwindigkeit, Änderungen der Genauigkeit über die Zeit, die Art der gemachten Fehler und die Konsistenz der Leistung über Durchgänge hinweg. Auch Alter und Geschlecht wurden einbezogen, um ihren bekannten Einfluss auf diese Fähigkeiten angemessen zu berücksichtigen.

Maschinelles Lernen die Muster finden lassen

Um diese hochdimensionellen Daten zu strukturieren, nutzte das Team eine verbreitete Methode des maschinellen Lernens, den Random Forest, der viele Entscheidungsbäume baut und deren Stimmen kombiniert. Sie trainierten das Modell, autistische von nicht‑autistischen Erwachsenen zu unterscheiden, und testeten dann, wie gut es neue, zuvor ungesehene Personen klassifizieren konnte. Selbst wenn die Gruppen sorgfältig nach Alter und Geschlecht abgeglichen wurden — was die Aufgabe erschwert — identifizierte das Modell allein anhand der leistungsbasierten Maße Autismusspektrumszugehörigkeit in etwa drei von vier Fällen korrekt. Als die Forschenden dem Modell zusätzlich die Gesamtsumme eines weit verbreiteten Autismusfragebogens hinzufügten, stieg die Genauigkeit des kombinierten Modells auf etwa 92 Prozent, mit wenigen übersehenen autistischen Personen und wenigen Fehlalarmen.

Verborgene Hinweise in der Art der Aufgabenbewältigung

Interessanterweise beruhte der Erfolg des Modells nicht allein auf den offensichtlichsten Gruppenunterschieden. Reaktionszeiten, insbesondere bei Emotionserkennungsaufgaben, trugen stark bei — ein Befund, der frühere Arbeiten widerspiegelt, wonach autistische Erwachsene Emotionen oft korrekt, aber langsamer erkennen. Doch der Algorithmus fand auch Wert in Maßen, die für sich genommen bei üblichen Mittelwertvergleichen nicht signifikant zwischen den Gruppen unterschieden. Dazu gehörten bestimmte Fehlerarten bei Hemmungs‑ und Arbeitsgedächtnisaufgaben sowie subtile Schwankungen der Leistung über die Zeit. Anders gesagt: Autismusbezogene Unterschiede ergaben sich aus einer Konstellation wechselwirkender Merkmale statt aus einem einzelnen dramatischen Defizit, was unterstreicht, dass die „Melodie“ des Verhaltens wichtiger ist als eine einzelne „Note“.

Auf dem Weg zu schnelleren, gerechteren Hilfsangeboten für Erwachsene

Für Laien lautet die Kernbotschaft: Kurze, objektive Online‑Aufgaben — intelligent kombiniert mit bestehenden Fragebögen — können ein deutlich schärferes Bild davon liefern, wer wahrscheinlich autistisch ist, als Fragebögen allein. Die Studie zeigt, dass maschinelles Lernen zuverlässige Muster darin aufdecken kann, wie Erwachsene sehen, fühlen und denken, selbst wenn traditionelle Statistik nur kleine Unterschiede erkennt. Solche Werkzeuge können und sollen zwar keine vollständige klinische Begutachtung ersetzen, aber sie könnten helfen, Erwachsene für zeitnahe Untersuchungen zu priorisieren, die Abhängigkeit von verzerrter Selbstauskunft zu verringern und Klinikerinnen und Kliniker mit einem reichhaltigeren Profil kognitiver Stärken und Herausforderungen zu versorgen. Mit weiterer Verfeinerung und Tests in diverseren Gruppen könnte diese zugängliche, internetbasierte Screening‑Form ein wichtiges Mittel werden, um lange Wartelisten zu verkürzen und autistischen Erwachsenen schneller angemessene Unterstützung zukommen zu lassen.

Zitation: Van der Burg, E., Jertberg, R.M., Geurts, H.M. et al. Finding the forest in the trees: Using machine learning and online cognitive and perceptual measures to predict adult autism diagnosis. Transl Psychiatry 16, 129 (2026). https://doi.org/10.1038/s41398-026-03823-y

Schlüsselwörter: Autismusdiagnose im Erwachsenenalter, maschinelles Lernen, Online‑kognitive Tests, Emotionserkennung, exekutive Funktionen